Обработка информации и принятие решения в системах ближней локации
Курсовой проект - Компьютеры, программирование
Другие курсовые по предмету Компьютеры, программирование
/p>
Pk=Pk;
for i=1: Nc
w=sum (Pk(i,:));
P (i, 1)=sum (Pk(i, 1:51))/w; P (i, 2)=sum (Pk(i, 52:103))/w; P (i, 3)=sum (Pk(i, 104:155))/w; P (i, 4)=sum (Pk(i, 156:207))/w;…
P (i, 5)=sum (Pk(i, 208:259))/w; P (i, 6)=sum (Pk(i, 260:311))/w; P (i, 7)=sum (Pk(i, 312:363))/w; P (i, 8)=sum (Pk(i, 364:415))/w; P (i, 9)=sum (Pk(i, 416:467))/w; P (i, 10)=sum (Pk(i, 468:512))/w;
end;
Пропускаем сигналы через формирование матрицы признаков:
x=tr_t200;
N1=1024;
N2=512;
fs=500;
Mt=MATRPRIZP (x, fs, N1, N2);
x=fon;
N1=1024;
N2=512;
fs=500;
Mf=MATRPRIZP (x, fs, N1, N2);
Получим графические представления матриц признаков:
Рисунок 17 Графическое представление матрицы признаков сигнала гусеничной техники
Рисунок18 Графическое представление матрицы признаков фонового сигнала
- Исследование признаков
Практическая часть
Для обучающей матрицы произвести исследование признаков по следующей программе: 1) Оценить параметры распределения признаков; 2) По каждому признаку обучающей матрицы вычислить расстояние. Для данного признака сформулировать решающее правило задачи обнаружения.
3.1 Оценка параметров распределения признаков. Определение информативного признака с максимальным расстоянием, построение функций плотности распределения вероятностей и вычисление порога принятия решения, формулирование решающего правила
Загружаем сигнал в рабочее пространство:
h1=fon-mean(fon);
h2=tr_t200-mean (tr_t200);
N1=1024;
N2=512;
fs=500;
Пропускаем сигнал через решетку фильтров Батерворда:
[M, Mf]=MATRPRIZP (h1,500, N1, N2);
[M, Mt]=MATRPRIZP (h2,500, N1, N2);
Находим математическое ожидание и дисперсию для 2-х сигналов:
VMf=mean(Mf);
VMf =
0.7424 0.0651 0.0439 0.0353 0.0353 0.0289 0.0200 0.0135 0.0093 0.0054
VMs=mean(Mt);
VMs =
0.9563 0.0424 0.0006 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
VSf=std(Mf);
VSf =
0.0676 0.0144 0.0119 0.0103 0.0131 0.0107 0.0056 0.0030 0.0018 0.0016
VSs=std(Mt);
VSs =
0.0234 0.0232 0.0003 0.0001 0.0001 0.0001 0.0001 0.0000 0.0000 0.0000
npr=10;
for i=1:npr
r(i)=abs (VMf(i) VMs(i))/(VSf(i)+VSs(i));
end;
[max_r, ind]=max(r);
Расстояние между признаками r=
2.3638 0.67807 3.5322 3.2243 2.3307 2.9455 4.0058 4.756 4.3383 3.2031
Максимальное расстояние: max_r= 4.756;
Получили наиболее информативный признак под номером 8. Следовательно, нормированное значение мощности в диапазоне 364 415 Гц.
ind=8;
x1=Mt(:, ind);
x1=sort(x1);
n1=length(x1);
xmin1=x1 (1);
xmax1=x1 (n1);
Mx1=mean(x1);
Sx1=std(x1);
xl1=Mx13*Sx1;
xr1=Mx1+3*Sx1;
xft1=linspace (xl1, xr1,1000);
ft1=[normpdf (xft1, Mx1, Sx1)];
k1=round (n1^0.5);
d1=(xmax1-xmin1)/k1;
x2=Mf(:, ind);
x2=sort(x2);
n2=length(x2);
xmin2=x2 (1);
xmax2=x2 (n2);
Mx2=mean(x2);
Sx2=std(x2);
xl2=Mx23*Sx2;
xr2=Mx2+3*Sx2;
xft2=linspace (xl2, xr2,1000);
ft2=[normpdf (xft2, Mx2, Sx2)];
k2=round (n2^0.5);
d2=(xmax2-xmin2)/k2;
plot (xft1, ft1.*d1,b, xft2, ft2.*d2,r);
chi=(2*Sx1*Sx2*log (Sx2/Sx1))+Mx1^2-Mx2^2;
Zn=2*(Mx1-Mx2);
h=chi/Zn
Получили порог принятия решения:
h = 0.0063
Построим график плотности распределения вероятности:
Рисунок 19 Совмещенные графики плотностей распределения вероятностей сигналов гусеничной техники и фона
Решающее правило: если значения признака будет меньше порога h, то принимаем решение, что это полезный сигнал, если же значения признака больше порога h это будет соответствовать отсутствию сигнала (фону).
Вывод: в данной части курсовой работы были получены матрицы признаков сигнала гусеничной техники и фонового сигналов. Были найдены значение и номер наиболее информативного признака. Но по этому признаку нельзя построить систему классификации, т.к. будет слишком велика ошибка. Поэтому систему классификации целесообразно строить по нескольким признакам.
Также было получено значение порога принятия решения для системы классификации и сформулировано решающее правило.
4. Обучение нейронной сети.
4.1 Общие сведения о нейронных сетях
Искусственные НС представляет собой модели, в основе которых лежат современные представления о строении мозга человека и происходящих в нем процессах обработки информации. ИНС уже нашли широкое применение в задачах: сжатия информации, оптимизации, распознавание образов, построение экспертных систем, обработки сигналов и изображений и т.д.
Связь между биологическим и искусственным нейронами
Рисунок 20 Структура биологического нейрона
Нервная система человека состоит из огромного количества связанных между собой нейронов, порядка 1011; количество связей исчисляется числом 1015.
Представим схематично пару биологических нейронов (рисунок 20).Нейрон имеет несколько входных отростков дендриты, и один выходной аксон. Дендриты принимают информацию от других нейронов, аксон передает. Область соединения аксона с дендритом (область контакта) называется синапсом. Сигналы, принятые синапсами, подводятся к телу нейрона, где они суммируются. При этом, одна часть входных сигналов являются возбуждающими, а другая тормозящими.
Когда входное воздействие превысит некоторый порог, нейрон переходит в активное состояние и посылает по аксону сигнал другим нейронам.
Искусственный нейрон это математическая модель биологического нейрона (Рисунок 21). Обозначим входной сигнал через х, а множество входных сигналов через вектор X={х1, х2, …, хN}. Выходной сигнал нейрона будем обозначать через y.
Изобразим функциональную схему нейрона.
Рисунок 21 Искусственный нейрон
Для обозначения возбуждающего или тормозящего воздействия входа, введем коэффициенты w1, w1, …, wN на каждый вход, то есть вектор
W = {w1, w1, …, wN}, w0 величина порога. Взвешенные на векторе W входны